基于Python对公共卫生进行数据分析

季旻霞 石弘利

金陵科技学院，中国·江苏 南京 211169

Python；数据分析；Pandas；数据可视化；Matplotlib；plotly

1 引言

2020年新冠在全球蔓延，不少人因为新冠失去生命与亲人。针对这一情况，我们必须足够重视并采取一定的行为来改善。那我们应如何改善？随着云时代的来临，大数据吸引了越来越多的关注，大数据这一词也越来越多被提及。在这次的新冠疫情中，大数据就发挥的无可替代的作用，分析这些数据内部所蕴含的规律，预测相关运行趋势，得出有效结论，从而预防病毒的肆意蔓延。

2 Python 简介

Python 是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言，python 简单开源易上手，拥有丰富强大的库，流程可控，工作高效。

3 数据导入

两种方式可以获取到此次疫情数据，第一种是爬虫，爬虫因本身具备的突出优势，被广泛用于数据信息采集中爬虫提取页面源代码[1]。主要有两种方法：requests 库和selenium库。requests 适合提取需要的元素信息直接保存在页面的源代码中，它提取页面快，但不适合用于提取元素不是加载在源代码的项目的情况下。第二种是通过akshare 库，akshare 是基于python 的开源数据接口库。这里笔者用的是第一种方法，导入相关部分数据来进行数据分析。笔者使用的是requests库，将数据导入之后，由json 格式转换为方便分析的dataframe 格式，源数据由于API 采集的机制，包含大量重复数据，无效数据，缺失数据，所以接下来要对这些数据进行处理[2]。

4 数据处理

数据处理方面，Python 中的插件Pandas 功能突出。Pandas十分方便快捷，主要包括数据输入输出，数据清洗处理，数据挖掘等。Pandas 拥有强大数据清理功能，可以去重复值，通过删除或者填补等处理缺失值和异常值。论文日期不是标准表示，应将它化为年月日的方式，并使用loc 根据index 索引来提取月日。并且论文用默认索引不是最佳方案，可以以更新日期作为索引，表一为数据处理后的结果。如下为处理的主要代码：

图1 数据处理后的结果

5 数据可视化

数据可视化有很多方式，可以通过excel、matplotlib、seaborn、plotly 以及词云图等方式给我们展示数据的数量以及发展趋势，对可视化结果进行分析，从中提取出有效信息，得出有用结论供人们学习以及商业参考。在论文的疫情数据中，我们可以通过分析得出哪些地区是重灾区，需要引起人们的重视，严格控制人流量预防疫情快速蔓延，提醒相邻地区注意防范等。

在论文中，笔者主要使用了plotly 方法绘图。Plotly 是一个非常著名且强大的开源数据可视化框架，它通过构建基于浏览器显示的web 形式的可交互图表来展示信息，可创建多达数十种精美的图表和地图，Matplotlib 存在不够美观、静态性、不易分享等缺点，限制了Python在数据可视化中的发展。为了解决这个问题，新型的动态可视化开源模块Plotly 应运而生，Plotly 具有动态、美观、易用、种类丰富等特性。

图2 各区块死亡人数

上图是各区块的死亡人数，使用了groupby 分组计算出区块死亡人数。从图中可见，北美洲情况最严重，应重点注意。中国相关部门应严格把控输入输出来控制疫情在区块间的传播。

图3 各地区的确诊人数

上图是使用plotly 绘制的折线图，折线图易于展现趋势，上图清晰可见美国疫情的严重性。

图4 08-06 各州确诊情况

图5 08-06 中国确诊人数

可视化核心代码：

图6 08-05 疫情较严重区域情况

笔者使用了matplotlib 绘制折线图来呈现疫情情况描绘在八月五号重要疫情较严重地区疫情发展趋势，先通过数据筛选，再使用可视化绘图[3]。下图可以明显发现香港地区疫情较为严重。居住香港地区人应注意减少外出，严格佩戴口罩，相邻地区也要引起注意和重视。其他地区人应尽量避免出入疫情严重区。其中，主要代码为：

图7 08-06 疫情词云图

词云图可以有效划重点，高亮出重要信息呈现出来。论文可以显示出中国疫情较严重地区。

6 结语

随着网络信息化的飞速发展，人们面对越来越多纷繁复杂的数据时，需要分析处理，需要利用数据可视化后的结果指导和解决各种学习工作中的问题。论文利用python 语言作为编程基础，利用pandas 进行数据分析以及matplotlib 和plotly 来进行数据可视化，由此来提取出有效信息[3]。